Resumen

Las historias clínicas electrónicas (HCE) obstétricas contienen cantidades ingentes de datos médicos e información sanitaria. Los asistentes de extracción de información y diagnóstico de las historias clínicas electrónicas obstétricas son de gran importancia para mejorar el nivel de fertilidad de la población. El diagnóstico de admisión en el registro de primer curso del EMR se razona a partir de varias fuentes, como las quejas principales, los exámenes auxiliares y los exámenes físicos. Este artículo trata el asistente de diagnóstico como una tarea de clasificación multietiqueta basada en el análisis de los EMR de obstetricia. Se utilizan el tema de asignación de Dirichlet latente (LDA) y el vector de palabras como características y los cuatro métodos de clasificación multietiqueta, BP-MLL (aprendizaje multietiqueta por retropropagación), RAkEL (RAndom k labELsets), MLkNN (vecino k más próximo multietiqueta) y CC (clasificador en cadena), para construir los modelos del asistente de diagnóstico. Los resultados experimentales realizados en casos reales muestran que el BP-MLL consigue el mejor rendimiento con una precisión media de hasta 0,7413 ± 0,0100 cuando el número de conjuntos de etiquetas y las dimensiones de las palabras son 71 y 100, respectivamente. El resultado del asistente de diagnóstico puede introducirse como método de aprendizaje complementario para estudiantes de medicina. Además, el método puede utilizarse no sólo para las historias clínicas electrónicas de obstetricia, sino también para otras historias clínicas.

• Materias:Señales orofaciales Clasificación del cáncer Terapia de exposición Resonancias magnéticas Medicina de precisión
• Subjects:Orofacial signals Cancer classification Exposure therapy Magnetic resonance imaging Precision medicine
• Palabras claves:EMRs obstétricos, asistente de diagnóstico, registros médicos electrónicos obstétricos, RAndom k labELsets, aprendizaje multietiqueta backpropagation, modelos de asistente de diagnóstico, registro de primer curso, latent Dirichlet allocation, métodos de clasificación multietiqueta, tarea de clasificación multietiqueta
• Keywords:obstetric EMRs, diagnosis assistant, Obstetric electronic medical records, RAndom k labELsets, backpropagation multilabel learning, diagnosis assistant models, first course record, latent Dirichlet allocation, multilabel classification methods, multilabel classification task